Оптимизация передачи данных в городских информационных системах на основе методов теории графов

Обложка

Цитировать

Полный текст

Аннотация

Городские информационные системы Москвы, управляемые Департаментом информационных технологий (ДИТ), представляют собой сложную распределенную экосистему, генерирующую и обрабатывающую огромные объемы гетерогенных данных. Эффективная передача этих данных, особенно для критических сервисов с жесткими требованиями к задержкам и надежности, является ключевым фактором функционирования "умного города" и качества госуслуг. Критически необходима оптимизация передачи данных в ГИС Москвы на основе теории графов для повышения QoS, надежности и эффективности.

Цель исследования - разработка и верификация методов оптимизации передачи данных в городских информационных системах на основе теории графов. Задачи включают снижение задержек, повышение надежности и эффективности использования сетевых ресурсов для критически важных сервисов.

Методы. Исследование основывалось на детальном моделировании инфраструктуры ДИТ Москвы в виде взвешенного графа, где вершины представляли узлы обработки/хранения данных, а ребра - каналы связи с атрибутами пропускной способности, задержки и надежности. Потоки данных для ключевых сервисов специфицировались с требованиями QoS. Для оптимизации были применены специализированные графовые алгоритмы: модифицированный A* с географической эвристикой для QoS-маршрутизации, алгоритмы балансировки нагрузки на основе поиска максимального потока/минимальной стоимости и методы обеспечения отказоустойчивости через поиск k-непересекающихся путей (k=2).

Результаты. Применение алгоритма A* позволило снизить среднюю задержку передачи видеопотоков для системы "Безопасный город" на 22-35 % по сравнению с базовыми подходами, гарантированно обеспечивая соблюдение SLA (<150 мс). Алгоритмы балансировки нагрузки снизили 95-й процентиль задержки транзакций записи к врачу с 65 мс до 42 мс за счет предотвращения перегрузок ключевых узлов. Использование двух непересекающихся резервных путей сократило время восстановления работы критических сервисов после сбоя канала с 500 мс до 50 мс.

Выводы. Полученные результаты убедительно доказывают высокую практическую ценность применения теории графов для оптимизации передачи данных в масштабных городских системах. Учет географической специфики и иерархической структуры сети Москвы оказался критически важным фактором успеха.

Об авторах

Д. А. Рыбаков

Российский экономический университет имени Г. В. Плеханова; Департамент информационных технологий города Москвы

Автор, ответственный за переписку.
Email: rybakov.daniel99@gmail.com
ORCID iD: 0009-0005-8959-4427
SPIN-код: 7155-6461

аспирант кафедры информатики 

Россия, 115054, Россия, Москва, Стремянный переулок, 36; 107078, Россия, Москва, Яковоапостольский переулок, 12с1

Список литературы

  1. Karunuzhali D., Meenakshi B., Keerthi L. A QoS-aware routing approach for Internet of Things-enabled wireless sensor networks in smart cities. Multimedia Tools and Applications. 2024. Vol. 84. Pp. 17951–17977. doi: 10.1007/s11042-024-18125-y
  2. Debajit S. Applications of graphs in smart cities. In book: Handbook of Research on Data-Driven Mathematical Modelling in Smart Cities. 2023. Pp. 40–54. doi: 10.4018/978-1-6684-6408-3.ch003
  3. Wester C.H. Schoonenberg, Inas S. Khayal, Amro M. Farid. A Hetero-functional graph theory for modeling interdependent smart city infrastructure: book. Springer. 196 p. doi: 10.1007/978-3-319-99301-0
  4. Jing Q., Yuhan Ch., Zhihong T. et al. Automatic concept extraction based on semantic graphs from big data in smart city. IEEE Transactions on Computational Social Systems. 2019. Pp. 1–9. doi: 10.1109/TCSS.2019.2946181
  5. Dhanasekaran S., Dhanalakshmi G., Logeshwaran J. et al. Multi-model traffic forecasting in smart cities using graph neural networks and transformer-based multi-source visual fusion for intelligent transportation management. International Journal of Intelligent Transportation Systems Research. 2024. Vol. 22. Pp. 1–22. doi: 10.1007/s13177-024-00413-4
  6. Ицков А. Г. Элементы дискретной математики. Теория множеств, комбинаторика, теория графов. Ижевск: Ижевский институт компьютерных исследований, 2023. ISBN: 978-5-4344-0992-6. С. 77–94
  7. Гришко Н. В. Спектральная теория конечных регулярных графов как средство моделирования процессов передачи данных в компьютерных сетях» // Cборник трудов конференции «Донецкие чтения 2022: образование, наука, инновации, культура и вызовы современности». 2022. С. 143–145
  8. Рогалевич П. И., Жихарев А. П. «Система «Умный Город». Организация передачи данных» // Современные средства связи. 2022. Т. 1. № 1. С. 344–345. EDN: GVASPT

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML

© Рыбаков Д.А., 2025

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».